/ Модель

Характеристики

Лицензия
MIT
Библиотека
open_clip
Опубликована
21 сен 2026

sea-clip-tiny-abl-mammoth

Классификация изображений без дообученияИзображение, текст → label3 профессии

Экспериментальная мультимодальная модель CLIP для классификации изображений по текстовым описаниям и поиска соответствий между изображениями и текстом на языках Юго-Восточной Азии.

22скачиваний за 30 дней0лайковвеса обновлены21 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SEA-CLIP-Tiny ablation «Only Mammoth» — мультимодальная модель семейства CLIP, опубликованная как один из вариантов эксперимента SEA-CLIP-Tiny для ACCV 2026. Она предназначена для классификации изображений по текстовым описаниям без отдельного обучения на новых классах, а также для поиска соответствий между изображениями и текстом. Вариант отличается от основной модели составом обучающей смеси: использовался только источник данных Mammoth.

Модель построена на OpenCLIP: визуальный энкодер ViT-T/16 сочетается с 12-слойным текстовым энкодером шириной 384; размер общего пространства эмбеддингов — 512. Всего модель содержит 46,11 млн параметров. CLIP BPE-токенизатор имеет контекстное окно 77 токенов. Карточка указывает поддержку английского, индонезийского, яванского, сунданского, малайского, тайского, вьетнамского и бирманского языков.

В приведённых результатах качество невысокое: точность zero-shot на ImageNet составляет 0,5%, а средний R@1 для указанных наборов поиска изображений и текста — 0,5%. Модель распространяется под лицензией MIT; её экспериментальная абляция может быть полезна для сравнений и воспроизведения результатов, но результаты не указывают на готовность к практическому применению.

Сценарии применения

  • zero-shot-классификация изображений по текстовым меткам
  • поиск изображений по текстовому запросу
  • поиск текстовых описаний, соответствующих изображению
  • сравнение обучающих смесей в экспериментах с CLIP

Ограничения

В опубликованных результатах точность на ImageNet составляет 0,5%, а средний R@1 на наборах поиска — 0,5%, поэтому практическая полезность модели ограничена. Контекст текстового энкодера составляет 77 токенов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SEA-CLIP-Tiny — ablation: Only Mammoth

One row of the ablation table of SEA-CLIP-Tiny (ACCV 2026). Same architecture, pipeline and hyperparameters as the main model; the difference is the training mixture.

Usage

import open_clip

model, _, preprocess = open_clip.create_model_and_transforms('hf-hub:fassabilf/sea-clip-tiny-abl-mammoth')
tokenizer = open_clip.get_tokenizer('hf-hub:fassabilf/sea-clip-tiny-abl-mammoth')

Model

ArchitectureViT-T/16 vision tower + 12-layer / 384-wide text tower, embed dim 512
TokenizerCLIP BPE, vocab 49408, context length 77
Parameters46.11M (5.62M vision + 40.49M text)
Training dataMammoth-VL-SEA (540K pairs)
TeacherMetaCLIP2-ViT-B-16-worldwide

Results

Retrieval R@1 on the held-out splits of each training source, zero-shot ImageNet accuracy, and the paper's retrieval-only Avg@1 over XM3600, Flickr30k-200 and XTD-200 (%).

CG R@1WIT R@1Bloom R@1ImageNetR@1-Avg
0.00.00.80.50.5

Reproduce

Training and evaluation code: https://github.com/fassabilf/sea-clip-tiny. The exact training configuration of this checkpoint is in params.txt in this repo.

Citation

@inproceedings{seacliptiny2026,
  title     = {SEA-CLIP-Tiny: Efficient Multilingual Text-Vision Embedding for Southeast Asian Languages},
  booktitle = {Asian Conference on Computer Vision (ACCV)},
  year      = {2026}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · open_clip

Нельзя запустить

Модели OpenCLIP требуют отдельного рантайма.

Ревизия весов
d8f4c6b

0 моделей